| Oratore |
Trascrizione |
| Isaac Himanga |
Buongiorno, ciao. |
| Janice LeBeau, JMP |
Ciao Isaac, come stai? |
| Isaac Himanga |
tutto bene, come stai? |
| Janice LeBeau, JMP |
Bene, grazie, sono Dan e oggi sarò io a preparare la tua presentazione. |
| Isaac Himanga |
Davvero fantastico. |
| Janice LeBeau, JMP |
E non ti vedo, Isaac. |
| Isaac Himanga |
Sì, mi dispiace, sto sistemando tutto qui. |
| Janice LeBeau, JMP |
Ok, vogliamo solo farti sapere che al momento stiamo registrando. |
| |
Davvero fantastico, mi sembra di averti già incontrato prima. |
| Isaac Himanga |
Sono sicuro che potremmo averne uno, se mai ci fosse un vertice. |
| Janice LeBeau, JMP |
Bene, allora come stai oggi? |
| Isaac Himanga |
tutto bene, come stai? |
| Janice LeBeau, JMP |
Bene bene, mi piace molto il tuo sfondo, hai scelto un colore davvero bello. |
| Isaac Himanga |
Grazie. |
| |
Bene. |
| Janice LeBeau, JMP |
Vorrei solo spiegarti alcune cose e devo solo riconfermarle con te. |
| |
Nome del relatore, azienda e titolo dell'abstract. |
| |
Ok, avete altri presentatori? Ok, va bene, e siete d'accordo se registriamo questo e lo pubblichiamo negli archivi del Discovery Summit. |
| Isaac Himanga |
Assolutamente sì, e credo che avrei dovuto pubblicare il mio gioco per registrarlo anche sul mio sito, nel caso in cui succedesse qualcosa, così ne avremo una copia e per te va bene. |
| Janice LeBeau, JMP |
uhm non so se ciò influirà sulla qualità di qualcosa o. |
| Isaac Himanga |
Non dovrei farlo piuttosto spesso? |
| Janice LeBeau, JMP |
Ok, lascio che sia tu a prendere l'iniziativa. Il tuo sfondo sembra bello, il tuo microfono suona bene, ok, volevo solo confermare che le notifiche del tuo cellulare e del tuo computer sono disattivate. |
| Isaac Himanga |
dovrebbe essere, ma controllerò di nuovo solo perché quando. |
| Janice LeBeau, JMP |
Chiamo la tua opera d'arte a. |
| |
Poi. |
| |
Energia di otto e 1920 entro il 10° giorno, hai animali domestici sullo sfondo? |
| Isaac Himanga |
COSÌ. |
| Janice LeBeau, JMP |
Potrebbe fare rumore, come probabilmente farebbe il mio gatto, quindi gliel'ho consigliato. |
| Isaac Himanga |
Beh, in teoria sono l'unico a casa oggi, quindi. |
| Janice LeBeau, JMP |
Hai chiuso Skype o altre applicazioni che emettono rumori? |
| Isaac Himanga |
Accedendo al mio, spegnilo subito, sì. |
| |
Va bene. |
| Isaac Himanga |
Sì, quindi penso che l'unica cosa che dovrebbe essere accesa è che tu e io abbasseremo di molto il volume quando inizieremo qui, nel caso in cui succeda qualcosa sarò in grado di vederti ma sarà tutto silenzioso in questo modo se qualcos'altro fa rumore, oh. |
| Janice LeBeau, JMP |
Bene, quello che farò è. |
| |
Ora ti darò un altro paio di suggerimenti: disattiverò l'audio e nasconderò il video, così potrai condividere lo schermo per la tua presentazione. |
| |
E prima di disattivare l'audio, farò il mio 54321 e poi ti darò un paio di secondi, dopodiché potrai procedere e presentarti. |
| |
e inizia a registrare, puoi iniziare la tua presentazione e poi, quando mi dirai "Bene, questo conclude la presentazione di oggi", spero che ti sia piaciuta. Qualunque cosa tu voglia dire, poi smetterò di registrare per te, okay? |
| |
Bene, se ci piace, all'inizio e non sei contento, sai che possiamo fermarci e ricominciare da capo, quindi sono totalmente d'accordo con tutto ciò. |
| Isaac Himanga |
Ok, ora spero che non ci siano problemi su quanto vicino ai 35 minuti vuoi che sia, quando mi sono esercitato ero indeciso tra 34 e 36, vuoi che sia letto a 35 o. |
| Janice LeBeau, JMP |
Sai che va bene, intendo dire che fai semplicemente quello che devi fare. Conosco una persona a cui abbiamo detto che durava 20 minuti, se ti avessero detto che durava dai 30 ai 40 minuti. |
| Isaac Himanga |
sì, da qualche parte, mi ricordo che a 35 anni potrebbero aver dato un intervallo lì. |
| Janice LeBeau, JMP |
va bene, non preoccuparti. |
| Isaac Himanga |
Ok, ottimo affare. |
| Janice LeBeau, JMP |
Ok, quindi stiamo registrando nel cloud. |
| |
Lo possiamo vedere. |
| |
Oh, sembra davvero buono, sembra delizioso. |
| Isaac Himanga |
perfetto. |
| Janice LeBeau, JMP |
Quindi sì. |
| |
Allora, siete pronti per il mio video? |
| Isaac Himanga |
Che ne dici, vediamo, così non hai un timer per le telecamere, vuoi impostare un timer lì sopra, così potrei farne 30. |
| Janice LeBeau, JMP |
Voglio dire, fai quello che vuoi, perché questo avrà inizio. |
| |
Voglio dire, onestamente, se pensi che siano 35 e arrivi a 32 va bene, se vai un po' oltre va bene. |
| |
Va bene. |
| Isaac Himanga |
Quindi ho tutto qui. |
| |
Va bene. |
| Janice LeBeau, JMP |
Okay, bene, allora ti senti bene perché sto per farlo. |
| |
Farò il 54321 e disattiverò l'audio. |
| |
E vediamo se sei congelato, ecco fatto. Okay, quindi sei pronto. |
| Isaac Himanga |
Va bene. |
| Janice LeBeau, JMP |
Penso entro il 4321. |
| Isaac Himanga |
Mi chiamo Isaac Himanga e vi mostrerò un flusso di lavoro che utilizzo in ADM per ottimizzare i processi di produzione utilizzando modelli multivariati. |
| |
Inizierò estraendo i dati e costruendo un modello, trovando condizioni ottimali realistiche, identificando le condizioni anomale e infine valuterò il modello utilizzando i dati attuali. |
| |
Sono disponibili molte altre informazioni sulle singole piattaforme, quindi invece di discutere i dettagli di ogni passaggio, evidenzierò solo alcune funzionalità comunemente utilizzate e cercherò di mostrare l'intero flusso di lavoro. |
| |
Devo dire che la maggior parte delle analisi con il livello di dettaglio di questa richiedono poco più di 45 minuti. |
| |
Quindi, per maggiori dettagli e informazioni, consultate l'articolo di questo intervento nella community JMP, incluso un diario con screenshot dei passaggi che spiegherò qui molto velocemente. |
| |
Inizierò con una breve panoramica di ADM e del flusso di lavoro generale. |
| |
Poi metterò da parte questa presentazione per mostrarvi il processo in JMP. Vedrete come ottenere e pulire i dati, usare il profiler per scoprire più condizioni, |
| |
utilizzare la piattaforma di carte di controllo multivariate basate su modelli, scrivere uno script per valutare i nuovi dati rispetto a quel modello e, infine, tornerò su questa presentazione per spiegare brevemente un metodo per valutare in modo continuo quel modello utilizzando JMP. |
| |
Innanzitutto, qualche informazione su ADM. |
| |
Lo scopo di ADM è quello di liberare il potere della natura per arricchire la qualità della vita. |
| |
Trasformiamo i prodotti naturali in un portafoglio completo di ingredienti e aromi per alimenti e bevande, integratori, nutrizione per animali domestici e bestiame, |
| |
e molto altro ancora. E grazie a una gamma di competenze senza pari in ogni ambito della filiera alimentare globale, offriamo ai nostri clienti un vantaggio competitivo nella risoluzione delle sfide globali di oggi e di domani. |
| |
Una di queste capacità è l'utilizzo dell'analisi dei dati per migliorare i nostri processi di produzione, incluso il metodo di cui sto per parlare. |
| |
Faccio parte del centro di eccellenza relativamente nuovo dedicato al miglioramento e all'analisi. |
| |
E il nostro team in crescita investe in tecniche come questa per aiutare i nostri 800 stabilimenti, i 300 stabilimenti di lavorazione di alimenti e mangimi e il resto della nostra azienda in tutto il mondo a prendere decisioni migliori utilizzando i nostri dati. |
| |
Ora una panoramica del flusso di lavoro. |
| |
I quattro passaggi che esaminerò oggi rappresentano solo una parte dell'analisi completa. Per questioni di tempo, ometterò alcuni aspetti che considero critici per ogni set di dati. |
| |
come la visualizzazione dei dati, l'uso della convalida, la riduzione delle variabili, la corroborazione dei risultati con altri modelli e l'allineamento dei dati di laboratorio e di processo. |
| |
acquisizione dei dati, creazione di un modello, valutazione del modello su richiesta in JMP e quindi valutazione continua del modello. |
| |
JMP dispone di strumenti per supportare ogni fase, tra cui una serie di connessioni al database, strumenti di modellazione multivariata, come i minimi quadrati parziali, le componenti principali e la piattaforma di grafici di controllo multivariati basati su modelli e, naturalmente, il linguaggio di scripting JMP o JSL. |
| |
Iniziamo con l'acquisizione dei dati. Nonostante le numerose connessioni al database e le opzioni di scripting disponibili, avevamo bisogno di un modo rapido per estrarre i dati dal nostro storico dei processi, |
| |
Un prodotto popolare chiamato PI, senza dover scrivere query o navigare nelle strutture delle tabelle. Un componente aggiuntivo personalizzato era la soluzione per la maggior parte dei set di dati. Questo componente aggiuntivo era relativamente... è stato recentemente pubblicato nella community JMP. |
| |
Altri due componenti aggiuntivi aiutano in questo processo. Uno, genericamente chiamato strumenti di scripting, include un'opzione per far sì che lo script ricrei rapidamente le colonne calcolate. |
| |
Se combinata con la funzionalità di salvataggio dello script integrata nella maggior parte delle piattaforme JMP, le analisi possono essere ricreate rapidamente e valutate su richiesta da un utente JMP. |
| |
L'ultimo componente aggiuntivo, denominato JMP Model Engine, è anche il più recente. Utilizza un file di configurazione e le informazioni salvate nella tabella dati dal componente aggiuntivo PItool per ottenere i dati. |
| |
In questo modo vengono eseguiti calcoli utilizzando formule di colonna o qualsiasi altro script JSL e i risultati vengono quindi riscritti nello storico. |
| |
E per il momento, mi muoverò molto velocemente attraverso quest'ultimo passaggio, ma ancora una volta, ti incoraggio a cercare maggiori dettagli sulla JMP Community utilizzando il collegamento su |
| |
diapositiva dell'ordine del giorno di questa presentazione. |
| |
Ciascuno di questi componenti aggiuntivi è stato revisionato per rimuovere informazioni sensibili, ma stiamo trasferendo gli utenti allo stesso codice pubblicato nella Community. Quindi, se avete idee e suggerimenti su come migliorarle, sentitevi liberi di collaborare con noi nella Community JMP... o su GitHub. |
| |
Fatto ciò, apriamo JMP. |
| |
Dietro le quinte, l'ADM... o il componente aggiuntivo JMP PItool utilizza un paio di PIproduct diversi per estrarre i dati, tra cui SQL DAS, OLEDB e ODBC. Le istruzioni per la configurazione sono disponibili nel menu di aiuto di questa piattaforma. |
| |
Oggi estrarremo i dati di un set di PItag del 1° maggio, a partire da mezzogiorno, e poi estrarremo un altro valore ogni giorno a mezzogiorno fino a oggi. |
| |
Faremo questo per un certo set di tag, elencati qui... |
| |
in questa casella. Notate che abbiamo incluso quello che viene chiamato un tag descrittivo o un nome più descrittivo del semplice nome presente nel PIhistorian, che ci aiuterà a identificare quelle colonne in seguito nella tabella dati. Ci sono tutti questi piccoli punti interrogativi intorno al |
| |
...attorno al componente aggiuntivo che fornisce maggiori informazioni, tra cui una descrizione di questo formato di tag intuitivo che utilizzeremo oggi. |
| |
Quando clicco su "Esegui query", si apre una tabella dati simile a questa. Contiene un insieme di colonne per tutti i valori numerici presenti in quella tabella. |
| |
Ha un set di colonne per qualsiasi valore stringa, quindi se nel PItag sono presenti caratteri, li estrarrà. E possiamo anche vedere lo stato di quel PItag. |
| |
per ogni riga. |
| |
Anche nelle proprietà della colonna per quella tabella dati, se apriamo le informazioni della colonna, vedremo le informazioni che sono state utilizzate per estrarre quel punto dati, incluso il PItag, |
| |
il tipo di chiamata e l'intervallo. Per query più complesse, come una media o un massimo, vedremo maggiori informazioni qui. |
| |
Vorrei sottolineare che si tratta di dati reali che sono stati ridimensionati e i nomi delle colonne sono stati modificati, ma l'analisi che vedremo oggi dovrebbe apparire e apparire molto simile a un'analisi reale che utilizza dati reali provenienti da una delle nostre strutture. |
| |
Infine, vorrei sottolineare che qui è presente uno script salvato nella tabella dati denominato origine dati PI, che è lo stesso script effettivamente mostrato nel componente aggiuntivo. |
| |
e contiene il codice SQL disponibile anche qui. Di nuovo dietro le quinte, questo usa |
| |
SQL DAS o PI DAS per ottenere tali informazioni da PI, e questi sono tutti... tutti gli script che verranno eseguiti per ottenere tali dati. Torneremo su questo argomento verso la fine della presentazione di oggi. |
| |
Bene, ora che abbiamo i dati, dobbiamo ripulirli. Oggi useremo strumenti multivariati per farlo, in particolare l'analisi delle componenti principali. Estrarrò tutti i valori numerici da quella tabella dati e li inserirò nell'elenco delle colonne y, quindi |
| |
Subito possiamo vedere alcuni valori che hanno... parecchi valori che hanno punteggi particolarmente bassi per il componente uno. Se si guardano i carichi per quelli |
| |
diversi fattori, possiamo vedere che il componente uno include carichi elevati per tutti i diversi flussi in questo set di dati. |
| |
Questo mi dice che tutti questi valori qui a sinistra hanno flussi elevati in tutti i settori del sistema. Con un po' di conoscenze ingegneristiche, posso dire che questo rappresenta un tempo di inattività per quel processo, quindi andrò avanti e nasconderò ed escludo tutti questi valori. |
| |
Ora che abbiamo fatto questo, ricalcoleremo l'analisi delle componenti principali, quindi useremo redo e rifaremo l'analisi e poi chiuderemo quella vecchia. |
| |
E ora possiamo vedere che i carichi sono forse un po' più significativi. La componente principale tre, ad esempio, spiega gran parte della variazione nel flusso 2 e qui c'è una piccola separazione. |
| |
Le prime tre componenti spiegano la maggior parte della variazione, quindi userò queste tre componenti quando cercherò altri valori anomali in questo set di dati. |
| |
Per farlo, aprirò l'analisi dei valori anomali e modificherò il numero di componenti a tre. |
| |
E poi possiamo vedere sia il grafico T quadrato, sia il grafico DModX normalizzato. |
| |
per vedere i punti che hanno valori estremi per uno o più punteggi o punti che hanno un singolo |
| |
colonna o una singola cella che contiene un valore inaspettato o esterno all'intervallo previsto, in base a tutte le altre colonne in quel set di dati per quel particolare ruolo. |
| |
Per ora, ci limiteremo a pulire rapidamente questo set di dati escludendo tutti i valori T quadrato e DModX che sono al di sopra del limite di controllo superiore. |
| |
Un'altra cosa che viene comunemente fatta quando si pulisce un set di dati è la trasformazione delle colonne, e voglio mostrare una funzionalità del componente aggiuntivo dello strumento di scripting che rende |
| |
è un po' anche solo cercando di applicarlo e |
| |
Passare al nuovo menu delle colonne della formula. Se seleziono tre colonne o un numero qualsiasi di colonne e vado all'opzione di trasformazione personalizzata, che viene caricata come parte del componente aggiuntivo degli strumenti di scripting, |
| |
Posso selezionare una trasformazione di Savitzkey-Golay e premere OK: verranno aggiunte tre colonne alla fine della tabella dati con una formula contenente quella trasformazione. |
| |
Vorrei sottolineare che la pulizia che abbiamo fatto avrebbe potuto essere effettuata direttamente e in PLS. Spesso però uso prima un PCA. |
| |
Ok, ora abbiamo ripulito il nostro set di dati, dobbiamo effettivamente costruire un modello |
| |
per cercare di prevedere... le condizioni del nostro processo. Forse un'altra breve nota su questo set di dati: abbiamo un obiettivo di flusso qui sopra. |
| |
Oggi il nostro obiettivo sarà quello di creare una certa quantità di questo flusso target utilizzando il meno possibile il flusso uno e tenendo anche conto di alcuni... |
| |
tenendo conto di alcuni vincoli su questi parametri di qualità. Quindi, poiché il flusso uno è ciò che ci interessa principalmente, passerò a un modello ai minimi quadrati parziali e userò quel flusso... il flusso target nella y e tutte le altre variabili come fattori X. |
| |
Per ora accetterò tutte le impostazioni predefinite e farò un piccolo salto in avanti e userò subito quattro fattori. |
| |
Quando apro quei quattro fattori, |
| |
vedremo che i primi due |
| |
rappresentano il |
| |
Variabili che l'impianto normalmente modifica negli ordini... per regolare la velocità di esecuzione del processo. Quindi, se è necessario aumentare o diminuire il flusso target, spesso modificano il fattore uno per raggiungere il tasso target. |
| |
Il fattore 2, d'altro canto, si riferisce principalmente a questi parametri di qualità, che sono in realtà parametri di qualità di input sui quali non abbiamo controllo. |
| |
Quindi non è qualcosa che possiamo cambiare. Quindi, anche se i fattori tre e quattro hanno relativamente... spiegano quantità relativamente piccole della variazione di |
| |
il nostro flusso target e spiegano quantità relativamente piccole della variazione del nostro fattore uno, quelli sono quelli su cui abbiamo effettivamente controllo e quindi sono quelli che saremo in grado di utilizzare per ottimizzare il nostro processo. |
| |
Per poterlo utilizzare...abbiamo costruito un modello che spiega la variazione nei nostri dati. |
| |
Per utilizzare queste informazioni, dobbiamo salvare alcune di queste colonne o salvare le previsioni da queste in nuove colonne nel nostro set di dati |
| |
che utilizzeremo nel profiler di previsione tra pochi minuti. |
| |
Utilizzeremo alcune nuove funzionalità aggiunte in JMP 16, che ci consentono di salvare le previsioni, sia per la variabile Y che per quella X, come formule per il punteggio X. E quando apriremo il profiler, penso che questo ci aiuterà a capire perché questo diventa importante. |
| |
Abbiamo quindi salvato tutte e tre le previsioni, le previsioni X e i quadrati T, nella nostra tabella dati. Dovrebbero essere nuove colonne in basso, in funzione di questi punteggi X. |
| |
Possiamo anche dare una rapida occhiata ai grafici della distanza e del T quadrato all'interno della piattaforma PLS e vediamo che, sebbene ci siano alcune variabili con DModX o T quadrato piuttosto elevati, non c'è nulla di troppo estremo. |
| |
Questi punteggi vengono spesso salvati o sempre salvati con nomi di variabili che possono creare confusione man mano che si salvano più dati o si eseguono più iterazioni del modello. Pertanto, gli strumenti di scripting contengono un'altra funzione, chiamata "Rinomina colonne", |
| |
che ti permetterà di selezionare una query di esempio per PLS. Qui ha un modello di espressione regolare piuttosto complicato, |
| |
ma si noti che restituisce un set standard di nomi che avranno lo stesso aspetto per PLS, PCA e altre piattaforme all'interno della tabella dati. |
| |
Quindi in questo caso copierò un prefisso specifico, che metteremo prima di tutte quelle colonne, per indicare che questo è il modello che metteremo online per il nostro controllo qualità e che si tratta della prima revisione di quel modello. |
| |
Quando cambio i nomi, possiamo vedere che vengono automaticamente modificati i nomi di tutte le colonne nel set di dati. |
| |
Quindi abbiamo costruito un modello che spiega la variazione in |
| |
Queste colonne, ma quello che non abbiamo ancora fatto è il nostro obiettivo originale di capire come produrre una certa quantità di flusso... del nostro flusso target utilizzando il meno possibile il flusso uno. Per farlo, useremo il profiler. Notate che quando apriamo il profiler, |
| |
possiamo aggiungere tutti questi valori previsti, quindi non i punteggi X stessi, ma i valori previsti e il T quadrato, a questa sezione della formula di previsione. |
| |
E poi, quando si apre, vedremo sull'asse X tutti i nostri punteggi nel modello o le nostre variabili latenti. |
| |
E possiamo vedere che quando spostiamo uno di questi punteggi, automaticamente si sposteranno tutte queste variabili osservate insieme |
| |
al rapporto dei carichi in ciascuna di queste componenti. Quindi, è importante osservare questi flussi tre e quattro: si muovono sempre insieme. Indipendentemente dal punteggio che muoviamo, |
| |
Questo modello comprende che questi due punteggi sono correlati. Forse uno è un misuratore di portata su cui hanno il controllo, e forse un secondo |
| |
c'è un secondo misuratore di portata sulla stessa linea, ma nonostante ciò non sembra che l'impianto sia in grado di spostarne uno senza spostare anche l'altro nella stessa direzione. |
| |
L'obiettivo è quindi trovare valori per ciascuno di questi punteggi che ottimizzino il nostro processo. |
| |
Prima di poterlo fare, dobbiamo dire a JMP cosa stiamo cercando di ottimizzare. Dobbiamo dire che vogliamo raggiungere una certa portata e determinati parametri di qualità. |
| |
Quindi inizieremo dicendogli che non ci interessano i valori della maggior parte di queste colonne. Quindi selezioneremo tutte le colonne che abbiamo salvato, |
| |
standardizzeremo gli attributi e aggiungeremo un limite di risposta pari a nessuno per tutte queste diverse colonne. |
| |
Quindi torneremo indietro e regoleremo il limite di risposta. Può essere più descrittivo per le colonne che ci interessano. Ad esempio, il target di flusso tornerà al limite di risposta e indicheremo che vogliamo abbinare un valore di 140 per quella colonna. |
| |
Allo stesso modo per la qualità uno, vogliamo raggiungere il valore di |
| |
20.15. |
| |
Per quanto riguarda il flusso, vogliamo ridurre al minimo tale valore. |
| |
Infine, dobbiamo assicurarci che la soluzione a cui arriveremo sarà vicina al normale intervallo operativo del sistema, quindi non vogliamo estrapolare al di fuori dell'area in cui abbiamo costruito quel PLS. |
| |
Per fare ciò, useremo questa colonna T al quadrato e indicheremo che vogliamo minimizzare la T al quadrato |
| |
In modo che sia al di sotto del limite di controllo superiore mostrato nella piattaforma PLS. Qui possiamo vedere che il limite di controllo superiore era 9,32, quindi lo useremo come valore minimo. |
| |
Ciò che dovremmo vedere ora nel profiler è che tutti i valori inferiori a 9,32 sono ugualmente accettabili e, man mano che si supera 9,32, saranno sempre meno desiderabili. |
| |
Nel menu grafico apro nuovamente il profiler e prendo ancora una volta tutte quelle previsioni e formule T-quadrato e le inserisco nella formula di previsione Y. |
| |
E vediamo ancora i punteggi X in basso, ma ora vediamo anche queste funzioni di desiderabilità sulla destra. |
| |
E ancora una volta la funzione di desiderabilità per T quadrato inizia a scendere oltre 9,32. La desiderabilità è massima a bassi valori di flusso uno e abbiamo obiettivi sia per il flusso target che per il parametro di qualità. |
| |
Dopo aver definito tutti questi aspetti, possiamo ora passare alla massimizzazione della desiderabilità. |
| |
E questo cercherà di trovare valori per ciascuno di quei punteggi e, quindi, valori per tutte le variabili osservate nel nostro set di dati che andranno a |
| |
raggiungere questo flusso target e raggiungere gli obiettivi che sono in quelli che abbiamo definito in precedenza. |
| |
Notate che ha quasi centrato il bersaglio, ma sembra un po' basso. Ha raggiunto il nostro 20,15. |
| |
ed era all'interno del limite T quadrato che gli avevamo assegnato. Molto probabilmente JMP ha ritenuto che questa piccola diminuzione di desiderabilità fosse meno importante della riduzione del flusso, quindi possiamo risolvere il problema cliccando con il tasto Ctrl su questa funzione di desiderabilità e modificando semplicemente l'importanza a 10. |
| |
Ora, se ottimizziamo di nuovo, dovremmo avvicinarci un po' di più all'obiettivo di flusso. Prima di farlo, però, salverò le impostazioni di questi fattori in questa tabella in basso, così potremo confrontare il prima e il dopo. Poi procederemo con la massimizzazione della desiderabilità. |
| |
Sembra che sia finito e siamo ancora nei limiti del nostro T al quadrato. |
| |
Ha raggiunto il valore 20,15 che avevamo chiesto ed è sicuramente molto più vicino a 140. Ora possiamo quindi salvare nuovamente queste impostazioni dei fattori nella tabella dati. |
| |
E ora dovremmo avere fattori che possiamo restituire all'impianto di produzione e dire: ecco i parametri che consigliamo. |
| |
Il vantaggio di utilizzare un'analisi multivariata come questa, abbiamo parlato in precedenza della correlazione tra i flussi tre e quattro, |
| |
Utilizzando questo metodo dovremmo essere in grado di fornire all'impianto valori ragionevoli che siano effettivamente in grado di supportare. |
| |
Se dici loro di impostare un valore alto per il flusso tre e uno basso per il flusso quattro, potrebbero guardarti e dire: "Beh, semplicemente non è possibile". |
| |
Questi dovrebbero essere molto più ragionevoli. Si noti che non tutte queste variabili sono necessariamente variabili indipendenti che la pianta può controllare. Alcune di queste potrebbero essere |
| |
risultati, oppure potrebbero essere semplicemente correlati ad altre variabili. In teoria, se la pianta modifica tutti gli aspetti su cui ha il controllo, gli altri fattori dovrebbero semplicemente adattarsi. |
| |
Ora che abbiamo ottimizzato questo modello, il passo successivo è spesso assicurarsi, o verificare, che funzioni normalmente. Quindi, una volta definite le condizioni ottimali, è bene utilizzare lo stesso modello per valutare nuove righe o nuovi dati e capire se il processo funziona come previsto. |
| |
Per fare ciò, useremo gli stessi punteggi di previsione che avevamo in... salvati dalla piattaforma PLS, ma questa volta li useremo nel grafico di controllo multivariato guidato dal modello |
| |
in termini di qualità e processo. |
| |
Utilizzerò l'ora e la inserirò nell'ID ora, quindi invece di vedere i numeri di riga, vedremo una data effettiva su tutti i nostri grafici e inseriremo i punteggi X nel processo. |
| |
Sfortunatamente, l'intervallo non funziona sempre correttamente su questi grafici, quindi se ingrandisco un po', vedremo che ci sono periodi in cui abbiamo avuto un T quadrato elevato e che questo T quadrato elevato era per lo più il risultato dei flussi due, tre, quattro e uno, quindi tutti i flussi in quel... |
| |
sono i maggiori contributori a questo T quadrato. Se clicchiamo su di esso e passiamo il mouse su una di quelle barre, se clicco di nuovo su quel punto, vedremo un grafico di controllo per quel singolo valore...singolo |
| |
variabile con il punto che abbiamo selezionato evidenziato su quel grafico. |
| |
E questo lo nasconderò, però, e non guarderò solo T al quadrato, possiamo anche fare la stessa cosa per DModX o SPE, se stai ancora guardando SPE. Ancora una volta, |
| |
questo non sempre funziona correttamente. |
| |
Quindi ci concentreremo su |
| |
Di nuovo i valori di DModX. |
| |
Quindi DModX indicherà i punti che hanno un valore alto o basso per una singola colonna, rispetto a quanto previsto in base alle altre righe, ovvero agli altri dati in quella riga. |
| |
Qui possiamo vedere che questo punto è principalmente un valore anomalo dovuto al flusso cinque. |
| |
Ritengo che le mappe di calore della proporzione di contributo siano piuttosto utili per osservare e individuare modelli in vecchi dati quando, ad esempio, una variabile potrebbe essere stata un fattore contribuente elevato o comportarsi in modo anomalo per un lungo periodo di tempo o per una determinata sezione di tempo. |
| |
Quindi questo è un grafico che potremmo... che potremmo voler guardare ogni mattina, ad esempio, o periodicamente per vedere se il processo procede normalmente? |
| |
Entri, vuoi aprire la situazione e vedere se c'è qualcosa che dovrei modificare in questo momento per riportare il nostro processo sotto controllo? |
| |
Per riuscirci, vogliamo ricreare l'intera analisi, dall'estrazione dei dati PI all'apertura della piattaforma MDMCC, e fare in modo che tutto sia disponibile con un clic di un pulsante. |
| |
Per farlo, scriveremo uno script JSL in tre passaggi. Otterremo i dati da PI, aggiungeremo le colonne calcolate e infine apriremo il modello che abbiamo nella piattaforma per carte di controllo multivariate. |
| |
Ottenere dati da PI. Se torniamo alla tabella dati originale che... |
| |
che è stato aperto dopo l'esecuzione del componente aggiuntivo Strumenti PI, possiamo vedere questo script di origine dati PI salvato in quella tabella. Se modifichiamo lo script e lo copiamo, possiamo incollarlo nella finestra del nuovo script. |
| |
Farò solo una modifica. Invece di estrarre i dati da maggio, inizieremo a estrarre i dati dal 1° agosto. |
| |
Ora dobbiamo aggiungere le colonne calcolate. Quindi, ricordate che nella piattaforma PLS utilizziamo l'opzione "Salva punteggio come X" per le formule del punteggio. |
| |
Per ricrearli, possiamo semplicemente selezionare tutte le colonne nella tabella dati e utilizzare la funzione script di copia colonna che è stata aggiunta nuovamente nel componente aggiuntivo degli strumenti di scripting. |
| |
Una volta copiato lo script della colonna, torniamo al nuovo script che abbiamo creato e incolliamo una serie di nuove formule di colonna per ricreare nuovamente tutte quelle colonne. |
| |
Infine, il controllo multivariato guidato dal modello |
| |
Il grafico ha un ??? nella maggior parte delle altre piattaforme, dove puoi salvare lo script negli appunti e incollarlo nella stessa finestra dello script. |
| |
Ora, se immaginiamo che sia un nuovo giorno e che abbiamo tutto chiuso, e voglio vedere come sta andando il nostro processo, eseguirò semplicemente questo stesso script. Nota che potrei iniziarlo con |
| |
una barra obliqua specifica e poi un punto esclamativo per l'esecuzione automatica all'apertura dello script. |
| |
Quando premo Esegui, si apre una tabella dati che è identica alla nostra tabella originale. Ha tutte le stesse colonne. |
| |
Ha aggiunto quelle colonne calcolate, quindi inseriamo questi punteggi e tutte le previsioni, e ha anche aperto la piattaforma del grafico di controllo multivariato basato sul modello |
| |
dove possiamo vedere che questo valore recente per DModX è in realtà piuttosto alto, quindi i dati più recenti presentano alcuni valori anomali, in questo caso, per la qualità tre. |
| |
Quindi, ancora una volta, la qualità tre sembra non essere al valore atteso, in base agli altri parametri. In questo caso particolare, ciò potrebbe significare: |
| |
poiché la qualità tre è un parametro di input e le qualità uno, due e tre sono spesso correlate, ciò potrebbe significare che la qualità tre è un campione di laboratorio scadente oppure che si tratta di un nuovo materiale con cui non abbiamo mai lavorato prima. |
| |
Bene, finalmente, parliamo di un metodo per eseguire questo modello in modo continuo. Quindi, questo è stato ricreato su richiesta, |
| |
dove abbiamo scritto uno script JSL per eseguirlo, ma a volte è utile |
| |
a...o abbiamo ritenuto utile riscrivere questi risultati al nostro storico PI in modo che possano essere utilizzati da |
| |
gli operatori delle nostre strutture. Quindi, negli ultimi due minuti, vorrei presentarvi questo componente aggiuntivo, chiamato componente aggiuntivo del motore di modellazione, |
| |
che valuterà rapidamente i modelli online. Vorrei sottolineare che questo dovrebbe essere utilizzato solo a scopo di consulenza. Non è un metodo accettabile per fornire informazioni critiche o per il controllo a circuito chiuso. |
| |
Per questo motivo potresti valutare di esportare le formule dal deposito delle formule e di utilizzare un altro pacchetto software per valutarle. |
| |
Come accennato in precedenza, alcune delle previsioni e delle informazioni disponibili in questo modello |
| |
ha più valore nel momento in cui accade. Quindi sapere cosa ha causato il problema di ieri è fantastico, ma sapere cosa sta succedendo adesso |
| |
significa prendere decisioni sulla base dei risultati dei modelli attuali e consente di risolvere alcuni problemi prima che diventino un problema serio. |
| |
Naturalmente ci sono molti modi per valutare i modelli, ma la potenza del linguaggio di scripting JMP, JSL, |
| |
fornisce un modo per far conoscere previsioni e informazioni sulle anomalie agli operatori dei nostri stabilimenti di produzione, utilizzando la loro suite esistente di strumenti di visualizzazione e di analisi delle tendenze a cui sono già abituati. |
| |
Una coppia di motori di modelli, o computer che eseguono JMP con un componente aggiuntivo specifico che ha avviato il task scheduler, sono configurati per eseguire periodicamente tutti i modelli memorizzati in una directory specifica. |
| |
Tutta la configurazione viene effettuata tramite due tipi di file di configurazione: un singolo file di configurazione del motore e un file di configurazione del modello per ogni modello da valutare. |
| |
Iniziamo con quel file di configurazione del modello. Ricordi come il componente aggiuntivo PI Tools salva le informazioni sulla sorgente nella tabella dati? |
| |
Ora le stesse informazioni possono essere utilizzate per popolare il file di configurazione del modello, che indica al motore del modello come scaricare una tabella con una singola riga contenente tutti gli input del modello da cui deve calcolare i valori. |
| |
Successivamente, il componente aggiuntivo degli strumenti di scripting salva rapidamente gli script per ricreare le colonne salvate dal PLS e da qualsiasi altra piattaforma, |
| |
Potenzialmente inclusi i contributi T-quadrati e DModX che possono essere salvati dalla piattaforma del modello di controllo di versione. Questi nuovi script di colonna vengono salvati anche nel file di configurazione del modello o in un file separato nella stessa directory. |
| |
Infine, il file di configurazione del motore definisce il modo in cui il motore comunica con la fonte dati in cui si trovano gli strumenti PI |
| |
componente aggiuntivo...dove il componente aggiuntivo degli strumenti PI utilizza OLDB |
| |
e query SQL per ottenere dati, il motore del modello utilizza la Web API PI per leggere e scrivere dati direttamente su PI. |
| |
Definendo un set di funzioni nel file di configurazione del motore, questo motore può comunicare anche con molte altre fonti di dati. |
| |
Si noti che è stato definito un set di tag heartbeat, che consente all'origine dati e ad altri motori modello di conoscere lo stato di questo motore. |
| |
Ogni modello ha anche il suo set di tag heartbeat, quindi se una macchina smette di calcolare il punteggio di un particolare modello, l'altro motore prenderà automaticamente il sopravvento. |
| |
Anche in questo caso l'idea del modello di motore non è pensata per essere utilizzata in applicazioni critiche, ma ho scoperto che ci consente di passare molto rapidamente dall'analisi esplorativa e di distribuzione a una previsione online o a una soluzione di controllo qualità. |
| |
Con questo, grazie a tutti per la partecipazione. Ricordate che ulteriori informazioni su ogni componente aggiuntivo e sulla rivista che utilizzo oggi sono disponibili nella Community JMP. |
| Janice LeBeau, JMP |
lavoro fantastico, fantastico. |
